Обучение многоцелевым низкоскоростным траекториям с использованием моделей диффузии и цепи Марков Монте-Карло

arXiv: 2605.091225v2 Annuates Type: заменить перекрестное резюме: Предварительный проект малоскоростного космического аппарата представляет собой глобальную проблему поиска, характеризующуюся сложным ландшафтом решений, множеством целей и многочисленными местными мини-мами. На этом этапе параметры миссии зачастую еще не определены в полной мере, что требует выработки новых решений при высокой степени каденции различных значений параметров. В сочетании с косвенным подходом к оптимальному контролю модели распространения могут ускорить этот поиск за счет обучения распределению, которое представляет собой высококачественные первоначальные расчеты. Вместе с тем сбор данных о профессиональной подготовке по-прежнему сопряжен со значительными расходами, и существуют возможности для более эффективного использования прошлых данных. Мы предлагаем систему обмена опытом, которая сочетает гомотопию в параметрах миссии с цепочкой Markov Monte Carlo (MCMC) для более эффективного сбора данных о подготовке кадров. Этот подход предусматривает изменение формулировки многоцелевой проблемы оптимизации в качестве выборки из ненормализованного целевого распределения в калькуляционном пространстве. Мы сравниваем три MCMC a